BSNet：用于小样本细粒度图像分类的双相似性网络
计算机视觉与模式识别
2021-02-03 v1
摘要
细粒度图像分类的小样本学习近年来在计算机视觉领域受到关注。在小样本学习方法之中，基于度量的方法因简洁有效而在许多任务上处于有利的领先水平（SOTA）。大多数基于度量的方法假设单一的相似性度量，从而获得单一的特征空间。然而，若样本能同时通过两种不同的相似性度量得到良好分类，则类内样本可在更小的特征空间中分布得更紧凑，产生更具判别力的特征图。受此启发，我们提出一种称为双相似性网络（Bi-Similarity Network，BSNet）的方法，其由单一嵌入模块和具有两种相似性度量的双相似性模块组成。在支持图像和查询图像通过基于卷积的嵌入模块后，双相似性模块根据两种不同特性的相似性度量学习特征图。以此方式，模型能够从少量细粒度图像中学习更具判别力且相似性偏差更小的特征，从而显著提升模型泛化能力。通过在已建立的基于度量/相似性的网络上稍作修改并进行大量实验，我们表明所提方法在多个细粒度图像基准数据集上取得了实质性改进。代码见：https://github.com/spraise/BSNet
引用
@article{arxiv.2011.14311,
title = {BSNet: Bi-Similarity Network for Few-shot Fine-grained Image Classification},
author = {Xiaoxu Li and Jijie Wu and Zhuo Sun and Zhanyu Ma and Jie Cao and Jing-Hao Xue},
journal= {arXiv preprint arXiv:2011.14311},
year = {2021}
}
备注
IEEE TIP 2020